torch.addbmm

torch.addbmm(input, batch1, batch2, *, beta=1, alpha=1, out=None) → 张量 ¶

执行存储在 batch1 和 batch2 中的矩阵的批量矩阵乘法，具有减少的加法步骤（所有矩阵乘法都沿第一个维度累积）。 input 被加到最终结果中。

batch1 和 batch2 必须是包含相同数量矩阵的 3-D 张量。

如果 batch1 是一个 $(b \times n \times m)$ 张量， batch2 是一个 $(b \times m \times p)$ 张量， input 必须与一个 $(n \times p)$ 张量可广播， out 将是一个 $(n \times p)$ 张量。

$$out = \beta\ \text{input} + \alpha\ (\sum_{i=0}^{b-1} \text{batch1}_i \mathbin{@} \text{batch2}_i)$$

如果 beta 是 0，则 input 的内容将被忽略，其中的 nan 和 inf 不会传播。

对于类型为 FloatTensor 或 DoubleTensor 的输入，参数 beta 和 alpha 必须是实数，否则应该是整数。

此操作符支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将使用不同的精度进行反向操作。

参数:

• 输入（Tensor）- 要相加的矩阵

• batch1（Tensor）- 要相乘的第一个矩阵批次

• batch2（张量）- 要相乘的第二批矩阵

关键字参数:

• beta（数字，可选）- 乘以 input （ $\beta$ ）

• alpha（数字，可选）- 乘以 batch1 @ batch2（ $\alpha$ ）

• 输出（张量，可选）- 输出张量。

示例：

>>> M = torch.randn(3, 5)
>>> batch1 = torch.randn(10, 3, 4)
>>> batch2 = torch.randn(10, 4, 5)
>>> torch.addbmm(M, batch1, batch2)
tensor([[  6.6311,   0.0503,   6.9768, -12.0362,  -2.1653],
        [ -4.8185,  -1.4255,  -6.6760,   8.9453,   2.5743],
        [ -3.8202,   4.3691,   1.0943,  -1.1109,   5.4730]])